Ramutė Varnelytė, CEO of IPXO – Rozhovorová série

Ramutė Varnelytė, CEO of IPXO, má více než 15 let komerčních zkušeností a byla jmenována do čela společnosti na počátku roku 2025. Ve své roli řídí strategický růst, provozní excelenci a tržní pozici, aby zajistila, že IPXO zůstane na špici inovací v oblasti pronájmu a správy IP adres.

IPXO, zkratka pro Internet Protocol Exchange Organization, byla založena v roce 2021 s cílem řešit globální nedostatek IPv4 adres vytvořením dynamické platformy pro pronájem a monetizaci. Vyrostla v největší plně automatizovaný trh pro pronájem IP adres na světě. Platforma podporuje miliony IP adres globálně, s pevnými vztahy s regionálními internetovými registry a misí budovat jednotný a efektivní IP ekosystém.

Budeme diskutovat o tom, jak IPXO používá behaviorální rizika a strojové učení, aby rozlišilo mezi benigní automatizací AI a škodlivou botovou aktivitou. Rozhovor bude zkoumat vzestup AI agentů v internetovém provozu, výzvy kybernetické bezpečnosti ISP a strategie pro vyvážení bezpečnosti s provozní efektivitou.

Jaké trendy vedly k vašemu závěru, že AI agenti – a nikoli pouze scrapovací boti – nyní dominují provozním vzorcům ve mnoha organizacích?

Boti jsou nyní všude, výrazně překračují lidský provoz. Více než třetina botového provozu se skládá z takzvané “špatné” botové části, která přispívá k mnoha škodlivým aktivitám. Trend je zřejmý v různých incidentních zprávách: když společnosti vyšetřují neobvyklý nebo škodlivý provoz, zvláštní špičky v API použití nebo jiné nepravidelnosti, důkazy ukazují, že mnoho těchto automatizovaných systémů se chová více jako AI agenti, protože se vydávají za různé prohlížeče nebo zařízení (user-agent spoofing), rychle mění své IP (rychlá IP rotace), jsou nekonzistentní ve srovnání s typickou scrapovací botovou aktivitou a podobně. Základní objem provozu, stejně jako zvýšená složitost jejich akcí, naznačuje AI agenty, spíše než pouze jednoduché boty.

Jaké behaviorální signály se používají k vytvoření rizikových profilů IP – jako frekvence požadavků, hlavičky nebo geografické vzorce?

Je možné vyhodnotit “reputační skóre” IP bez pohledu na skutečný obsah požadavků, ale pouze pozorováním, jak se chová v síti. Tyto nepravidelné vzorce jsou “obsahově agnostické”, což znamená, že není třeba skutečná data. Metadata a specifické chování jsou dostatečné pro vyhodnocení rizikového profilu IP. To také funguje v měřítku, protože podezřelé chování není skryto moderními šiframi, jako je TLS 1.3 nebo ECH. Ještě existuje dostatek pozorovatelných dat, která nejsou šifrována.

Jak váš systém rozlišuje mezi benigní automatizací AI a škodlivou aktivitou, jako je scrapování, botnety nebo credential stuffing – zejména bez kontroly obsahu?

Je důležité zvážit, jak se automatizace chová po určitou dobu, nejen to, jaký obsah požaduje. “Dobří” boti jsou obvykle velmi předvídatelní, mají určitou strukturu a kroky, které následují. Škodliví boti, na druhé straně, často skáčou kolem nepředvídatelně, používají odhazovací identifikátory, udržují rigidní “strojový” tempo a rozšiřují požadavky napříč mnoha servery, aby se vyhnuli detekci. To se redukuje na prodloužené behaviorální modelování, vyhodnocování, jak se pohybuje po webu v čase.

Můžete vysvětlit, jak stávající ISP bojují s rostoucím proxy provozem, zatímco udržují silné obrany proti kybernetickým útokům?

Moderní protokoly skrývají více podrobností o spojení pro zvýšenou ochranu soukromí, takže je pro ISP obtížnější vyhodnotit typ provozu a klasifikovat jej správně. Protože je obtížnější vidět, co je uvnitř, ISP se více spoléhají na chování provozu, nikoli na obsah. Boj spočívá ve vyvíjené změně jejich přístupu od spoléhání se na inspekci provozu, což zvyšuje provozní náklady, a integraci nových nástrojů pro detekci hrozeb, aby se přizpůsobily novému přístupu.

Jaké jsou kybernetické kompromisy, kterým ISP čelí, pokud uvolní omezení, aby akomodovali provoz AI agentů?

Uvolnění filtrů může snížit falešné pozitivy a tření, aby udrželo agenty běžet úkoly hladce. Ale to také může potenciálně zvýšit počet hrozeb a útoků, protože “špatná” botová část již tvoří významnou část provozu. Uvolněnější filtry znamenají vyšší rizika. Jedním ze způsobů, jak kompromisovat mezi nimi, by mohl být přístup založený na rizikovém zatížení. Například, pokud existuje podezřelý provoz, prvním krokem by mohlo být zpomalení, spíše než úplné blokování. Je třeba nastavit více nuancované kontroly.

Jaké jádrové technologie pohání vaše hodnocení rizik v reálném čase – používáte strojové učení, inteligenci hrozeb nebo detekci anomálií chování?

Používáme zdravý mix živých dat monitorování a vyhodnocování, strojového učení a různých nástrojů pro detekci hrozeb. Cílem je rychle identifikovat jakékoli nepravidelnosti v chování, pochopit záměr provozu a zda existují důvody se domnívat, že je to škodlivé; pokud ano, označit vysoké riziko a řešit to odpovídajícím způsobem.

Jak váš systém integruje stávající ISP nebo podnikové SOC pracovní postupy – může automaticky spouštět upozornění nebo zmírnit?

Ano, náš systém posílá upozornění stávajícím pracovním postupům, stejně jako blokuje určité hrozby na síťové úrovni. Může běžet v různých režimech, v závislosti na toleranci rizika.

Odhalil tento profilovací systém nějaké překvapivé útočné vzorce nebo zneužívání během raného testování nebo nasazení?

Ano, existovaly beberapa. Jedním z příkladů napříč průmyslem by mohly být “halucinační procházení”, kdy LLM vynalezne neexistující URL a poté se pokusí je načíst. Nebo náhlé vzrůsty požadavků, opakující se přesně ve stejných časových intervalech, jako 15 minut nebo hodina. Všechny tyto vzorce jsou pro nás užitečné pro další úpravy sledování chování a snižování falešných pozitiv.

Jaké jsou důsledky ochrany soukromí a bezpečnosti při budování behaviorálních profilů bez kontroly šifrovaného obsahu – zejména pod globálními zákony o ochraně dat?

Behaviorální metadata mohou být považována za osobní data, ale existují výjimky, například pokud je zájem oprávněný, lze jej ospravedlnit a je nezbytný pro bezpečnostní monitorování. Říká se, že zájem o přístup a množství uchovávaných dat musí být proporcionální k hodnoceným rizikům.

Jak předcházíte falešným pozitivům, které označují benigní automatizaci, jako jsou výzkumné procházení nebo whitelistované AI agenty, jako kybernetické hrozby?

Testujeme nové záruky a pravidla před nasazením, vyhodnocujeme více signálů před provedením akce, také používáme softové výzvy jako první, aby otestovaly legitimitu provozu, spíše než jeho úplné blokování. Je to vícestupňový seznam, který je neustále upravován.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit IPXO.